Description: Das Projekt "ML-MoRE - Maschinelles Lernen für die Modellierung und Regelung der Emissionen von Hybridfahrzeugen in Realfahrzyklen" wird vom Umweltbundesamt gefördert und von KST-Motorenversuch GmbH & Co. KG durchgeführt. Im Zuge der Umsetzung der Elektromobilität werden hybride Antriebskonzepte in Deutschland und Europa eine überdurchschnittliche Rolle spielen. Gleichzeitig wird die Emissionsgesetzgebung weiter verschärft und auf den Realbetrieb ausgerichtet (Real Driving Emissions). Hierdurch ergeben sich hinsichtlich der Reduzierung der Schadstoff- und CO2-Emissionen völlig neue Herausforderungen und Chancen. So eröffnen insbesondere hybride Antriebskonzepte umfangreiche Möglichkeiten zur Optimierung des Betriebs eines Verbrennungsmotors, die weit über die bislang hauptsächlich verfolgte Wirkungsgradsteigerung hinausgehen. Zentrales Ziel des Vorhabens ist die Überführung aktueller Erkenntnisse aus der Forschung zur innermotorischen Schadstoffbildung im transienten Fahrzeugbetrieb in praktisch anwendbare Modelle zur situationsbezogenen Betriebsstrategiewahl im Fahrzeug, welche in Kombination mit ergänzend entwickelter Fahrererkennung, Streckenvorausschau und Diagnosefunktionen niedrigste Emissionen im praktischen Fahrzeugbetrieb sicherstellen. Hierbei kommen Methoden des maschinellen Lernens (ML) auf mehreren Ebenen zum Einsatz: (i) Zur Erkennung und Vorausschau emissionskritischer Fahrsituationen anhand von Fahrercharakterisierung (z.B. eher aggressiver/defensiver Fahrstil) und konnektivitätsbasierter Vorhersage der zu erwartenden Fahrsituation (z.B. Topografie, Verkehr) und (ii) zur Überführung komplexer und allenfalls teilweise modellhaft beschreibbarer physikalischer Zusammenhänge der innermotorischen Schadstoffbildung im praxisnahen hochtransienten Betrieb in echtzeitfähige Modelle, Betriebsstrategien und Diagnosefunktionen, die in existierende Motorsteuerungen integriert werden können. Durch die enge Vernetzung der Aktivitäten der KMU mit denen der Hochschulpartner wird sichergestellt, dass neueste Erkenntnisse der universitären Forschung in praktische Anwendungen überführt werden, auf deren Grundlage sich neue bzw. erweiterte Geschäftsfelder für KMU erschließen lassen.
SupportProgram
Origin: /Bund/UBA/UFORDAT
Tags: CO2-Emission ? Topographie ? Verbrennungsmotor ? Prognose ? CO2-Minderung ? Hybridfahrzeug ? Netzintegration ? Emission ? Künstliche Intelligenz ? Physikalisches Modell ? Modellierung ? Europa ? Elektromobilität ? Schadstoffbildung ? Verkehr ? Effizienzsteigerung ? Fahrverhalten ? Versuchsfahrzeug ? Weiterbetrieb ?
Region: Rheinland-Pfalz
Bounding boxes: 7.5° .. 7.5° x 49.66667° .. 49.66667°
License: cc-by-nc-nd/4.0
Language: Deutsch
Time ranges: 2020-09-01 - 2022-08-31
Accessed 1 times.